井下运输机械滚动轴承故障检测与诊断.docVIP

井下运输机械滚动轴承故障检测与诊断 　　摘要 对于井下运输机械来说，其轴承故障问题，直接关系着井下运输正常运行。要想保证井下运输机械正常运行，就应该时常对机械滚动轴承进行检测和诊断。本文主要从井下运输机械滚动轴承常出现的故障问题、井下运输机械滚动轴承故障检测及故障诊断方法等，对井下运输机械滚动轴承故障的检测与诊断进行相应分析。 　　关键词 井下运输机械；滚动轴承；故障检测；诊断 　　中图分类号TD421 文献标识码A 文章编号 1674-6708（2012）64-0111-02 　　随着科学技术的发展，许多大型井下作业企业已经采用的机械运输方法进行相应运输，机械运输在一定程度上节省大量时间和成本，提高了企业效率。然而，机械在实际工作中，特别是在井下作业过程中，常会出现一些问题，尤其是滚动轴承故障问题。一旦出现这一故障问题，就会影响机械滚动轴承的正常运行。在这种情况下，就需要对井下运输机械故障进行相应的检测并作出正确的诊断，以便更好的解决滚动轴承故障问题。如何更好的对井下运输机械轴承故障问题进行检测和诊断，已经成为相应企业值得思索的事情。 　　1 井下运输机械滚动轴承常出现的故障问题 　　由于井下作业环境恶劣，再加上严重干扰，使得井下运输机械常会出现一些故障，而在这些故障中比较严重易受损的就是滚动轴承。这种轴承经常会发生疲劳、胶合或是保持架断裂等故障。出现这种故障的主要原因是滚动轴的金属特性造成的。滚动轴承的金属硬度较高，变形后无法复原，抗击性能比较差、抗疲劳性差，再加上井下作业受到的抗击比较多，使得滚动轴承粘着磨损、磨料磨损、疲劳磨损或是微动磨损等。一旦滚动轴承出现磨损现象，如果井下机械在运转的过程中轴承不出现温度高现象，是很难察觉到滚动轴承故障的，等到人们发觉时井下运输机械滚动轴承已经出现大部分磨损。一旦轴承出现这类故障，就会使支撑轴错位，齿轮会出现打齿现象，甚至会使整个齿轮箱破裂，进而影响井下运输机械的正常运行。严重时甚至会造成机械停机。由此可见，轴承在井下机械运转过程中的重要性。此外，井下运输机械的滚动轴寿命的离散性??比较大，即便使同一批轴承其寿面也不尽相同。在这种情况下，对井下机械滚动轴承故障进行检测和诊断是十分必要的。 　　2 井下运输机械滚动轴承故障检测及诊断方法 　　因井下运输机械作业不同于普通作业，在作业中常会出现滚动轴承故障。在这种情况下，就应以轴承状态监测仪为核心，用计算机软件对井下运输滚动轴承故障进行相应监测，并采取EMD和网络神经方法进行相应诊断，以保证井下运输机械作业工作正常运行。本文主要对轴承诊断进行相关论述。正常情况下，滚动轴承的诊断过程可以非为故障信号的采集、故障特征的提取及状态识别和故障诊断。在这其中从滚动轴承故障震动信号中提取相应故障信息并进行相应的状态识别是非常重要的，而从非平稳信号中提取向量则是滚动轴承诊断的关键。传统的滚动轴承是以分析并从中提取振动信号或频域波形特征量为主的，建立相应判别函数来识别滚动轴承工作状态的。然而，滚动轴承结构及工作状态是比较复杂的，再加上荷载、间隙及摩擦力和刚度等条件的不同，使得其很难通过域频谱的分析来准确的对滚动轴承进行相应评价。采用EMD与神经网络滚动轴承方法提取滚动轴承中故障信号的特征向量并建立相应函数来对滚动轴的工作状态及故障类型进行判断。神经网络模型作为时间序列分析法，模型参数会凝结成系统状态信息，准确的神经网络模型能够真正反映出动态系统规律，也能通过自参数对相应状态变化规律进行相应反映。从中可以看出，在诊断井下运输轴承故障中采用神经网络模型的自回归参数作为特征向量来分析相应状态是一种不错的选择。但是直接采用这种方法并不能保证故障信号的平稳性。在这种状况下，就应该在建立神经网络模型之前，就采用EMD方法对滚动轴承信号进行相应处理。EMD方法是一种自适应信号分解法，它是以信号局部特征为依据的，能将复杂的信号分解成基本的IMF。但是EMD方法以本身信号为依据分解得到的IMF数量是十分有限的，但是却能表现信号内的真实物理信息，并保证分解的IMF分量是平稳的。因而，采用EMD原始信号进行分解，得到的是平稳的IMF分量，在IMF分量基础上建立神经网络模型并通过模型的自回归参数建立相应函数判别式，是能对滚动轴承的状态和故障类型进行相应判别的。因此，只有将EMD和神经网络法结合起来，才能对井下运输滚动轴承的诊断提供有效方法。 　　基于EMD和神经网络诊断方法是以EMD震动信号层、EMD分解成、EMD特征向量提取层及神经网络训练层为主，对井下运输机械滚动轴承故障进行诊断的。EMD振动信号层不仅能对检测到实际震动中的信号，反映滚动轴承宗的大量工作状态信息外，还能反映出机械运动过程中一些运动部件及相关结构信息。这些信息一般都是背景噪声，在这些背景噪